描述
开 本: 16开纸 张: 胶版纸包 装: 精装是否套装: 否国际标准书号ISBN: 9787030414779
内容简介
《计算辩论与智能决策》主要论述计算辩论的概念?原理和技术,及其在智能决策领域的应用?《计算辩论与智能决策》共8章?第1章为绪论,概述计算辩论的主要研究内容?发展概况,以及辩论决策方法的应用前景,说明辩论理论与决策理论的关系?第2章论述论据的概念?分类和结构,着重阐述不同推理模式的论据模型?第3章论述论据的辩证推理和形式语义,介绍常见的辩论推理算法?第4章提出一种新的多方论据博弈模型,说明该模型的基本概念?性质和辩证推理实现算法,并介绍一些简单的应用示例?第5章讨论论据本体及其实现技术,提出一种新型的论据本体 ArgArena,可有效实现辩证推理和多方论据博弈?第6章讨论基于归纳逻辑的多方辩论决策方法,介绍应用计算辩论实现大数据的知识萃取和联合学习技术?第7章论述基于辩证推理的缜密决策分析方法,介绍该方法在医疗决策领域的应用?第8章讨论面向行动序列的复杂决策分析技术,介绍一种分层规划的嵌套论据表示模型?
目 录
前言
第1章 绪论
1.1 决策理论与辩论理论
1.1.1 决策的基本概念
1.1.2 决策问题的复杂性
1.1.3 现代决策理论概述
1.1.4 不同决策模型的比较分析
1.1.5 基于辩论理论的决策分析方法
1.2 辩论理论的起源与发展现状
1.2.1 辩论的理论基础
1.2.2 可废止推理与辩论
1.2.3 辩论框架
1.2.4 辩证证明理论
1.2.5 多 Agent辩论系统
1.2.6 计算辩论的应用
1.3 基于辩论理论的决策模型
1.3.1 早期的辩论决策模型
1.3.2 抽象辩论框架
1.3.3 基于价值的辩论框架
1.3.4 基于偏好的辩论框架
1.3.5 双极的辩论框架
1.3.6 Domino决策模型
1.3.7 基于辩论理论的决策辅助模型
1.4 辩论决策的未来发展前景
第2章 论据的计算模型
2.1 论据的基础知识
2.1.1 论据的基本概念
2.1.2 论据的分类
2.1.3 论据的结构
2.1.4 论据构建的策略
2.1.5 论据的规范
2.1.6 论据的评估
2.1.7 论据的攻击
2.1.8 论据的修正
2.2 基于演绎推理的论据模型
2.2.1 基于逻辑推导的论据表示
2.2.2 基于假设的论据模型
2.2.3 具有支持强度的论据模型
2.2.4 用于决策支持的论据逻辑模型
2.3 基于可废止推理的论据模型
2.3.1 可废止推理的基本定义
2.3.2 论据的定义
2.3.3 论据的比较
2.3.4 具有支持强度的可废止论据模型
2.4 基于归纳推理的论据模型
2.4.1 归纳推理的基本原理
2.4.2 基于类比学习的论据
2.4.3 基于归纳学习的论据
2.4.4 基于关联规则挖掘的论据
2.5 基于实用推理的论据模型
2.5.1 关于实用推理的研究
2.5.2 实用论据的基本定义
2.5.3 基于 BDI的实用论据模式
2.6 基于图示的论据模型
2.6.1 Wigmore模型
2.6.2 Toulmin论据模型
2.6.3 IBIS论据模型
2.6.4 推理图
第3章 论据的辩证推理
3.1 辩证推理的形式语义
3.1.1 抽象辩论框架的扩展语义
3.1.2 论据的标记方法与标记语义
3.1.3 辩论形式语义的性质
3.1.4 形式语义的发展现状与趋势
3.2 基于标记的辩证推理算法
3.2.1 基础语义的辩证证明
3.2.2 首选语义的辩证证明
3.3 论据博弈与辩证语义
3.3.1 对话过程与辩证语义
3.3.2 面向立场的论据博弈对话
3.3.3 有用论据对话类型
3.3.4 理性扩展对话类型
3.3.5 双方立即响应争论
3.4 基于论据博弈的辩证推理算法
3.4.1 论据博弈过程与争论树
3.4.2 不同语义辩证证明的一般框架
3.4.3 基础语义的论据博弈算法
3.4.4 轻信首选语义的论据博弈算法
3.4.5 怀疑首选语义的论据博弈算法
3.5 基于假设的辩证推理
3.5.1 基于假设辩论框架的可容许性
3.5.2 紧论据
3.5.3 抽象争论树
3.5.4 具体争论树
3.5.5 争论推导算法
第4章 多方论据博弈的辩证分析模型
4.1 多方论据博弈的研究意义
4.2 相关研究工作
4.3 理性辩论空间
4.3.1 辩论空间的基本定义
4.3.2 Master‐Challenger论据博弈对话
4.3.3 多方论据博弈对话
4.4 理性辩论空间的性质
4.4.1 Master‐Challenger双方论据博弈对话的性质
4.4.2 多方论据博弈对话的性质
4.5 理性辩论空间的辩证分析实现算法
4.6 理性辩论空间的应用案例
4.6.1 与抽象辩论框架不同语义的比较
4.6.2 不同信念参与者之间的辩论决策
4.6.3 一个多源信息集成的应用示例
第5章 论据本体及其计算实现
5.1 论据本体及其表示
5.1.1 论据本体的表示语言
5.1.2 论据交换格式本体 AIF
5.1.3 用于自动辩论的论据本体 ArgArena
5.2 ArgArena本体的理论基础
5.2.1 论据及其相关概念的定义
5.2.2 论据的分类
5.2.3 论据的性质
5.2.4 论据的脆弱点
5.3 ArgArena本体的建模
5.3.1 ArgArena的领域本体
5.3.2 ArgArena的信念本体
5.3.3 ArgArena的论据本体
5.4 论据的计算实现
5.4.1 论据的构建概述
5.4.2 论据的构造方法
5.4.3 论据构建算法
5.5 攻击论据的计算实现
5.5.1 攻击关系的基本定义
5.5.2 攻击论据的构建过程
5.5.3 基于信念本体的冲突信念发现
5.5.4 定位最小不一致断言集
5.5.5 攻击论据构建算法
5.6 基于 ArgArena的论据生成引擎
5.6.1 Prolog语言推理机和 OWL推理机的集成
5.6.2 攻击论据的查询与构建算法
5.6.3 应用实例
第6章 基于归纳逻辑的多方辩论决策方法
6.1 大数据时代的知识发现技术概述
6.1.1 大数据挖掘面临的问题
6.1.2 多 Agent数据挖掘技术
6.1.3 多 Agent辩论与机器学习
6.1.4 多方论据博弈模型与大数据挖掘
6.2 归纳论据的一般模型
6.2.1 归纳论据的共同性质
6.2.2 合情论据模式
6.2.3 归纳论据的计算表示
6.3 基于关联规则挖掘的归纳论据构建方法
6.3.1 关联规则挖掘的基本原理
6.3.2 扩展的数据挖掘算法
6.3.3 基于关联规则的归纳论据生成
6.4 基于多方论据博弈的经验论据模式萃取
6.4.1 Arena的系统结构与控制机制
6.4.2 辩论参与者 Agent
6.4.3 Arena多方对话协议
6.4.4 Arena的多方论据博弈过程
6.4.5 简单经验论据模式的归纳学习实验
6.4.6 复杂经验论据模式的归纳学习实验
6.5 多 Agent基于辩论的联合学习
6.5.1 知识螺旋模型
6.5.2 多 Agent联合学习模型 MALA
6.5.3 多 Agent联合学习实验
6.6 相关的研究工作
6.6.1 集成学习
6.6.2 从经验中辩论的 PISA框架
6.6.3 多 Agent基于辩论的归纳学习
第7章 基于辩证推理的缜密决策分析方法
7.1 批判性思维与缜密决策问题
7.1.1 批判性思维与合情论据
7.1.2 缜密决策问题
7.1.3 基于批判性思维的缜密决策
7.2 缜密决策分析方法
7.3 面向决策的一般论据模式及其计算实现
7.3.1 基于实用推理的基本论据模式
7.3.2 基于价值辩论框架的决策支持模型
7.3.3 基于价值辩论框架的一种计算实现方法
7.3.4 实验结果分析
7.4 缜密决策认知模型及其计算实现
7.4.1 智能 Agent的缜密决策认知模型
7.4.2 论据模式及其批评问题
7.4.3 论据模式的计算表示
7.4.4 批评问题的分类及其计算实现
7.4.5 合情论据模式的集成与重构
7.5 应用案例
7.5.1 血液净化应用背景简介
7.5.2 Smart doctor医疗辅助决策系统
7.5.3 血液净化医疗知识的形式表示
7.5.4 多 Agent协同的辩证分析决策模型
7.5.5 一个血液净化的决策案例
7.5.6 原型系统实验
7.6 相关研究工作
第8章 面向行动序列的决策分析方法
8.1 基于本体的计划表示
8.1.1 常用的计划表示方法
8.1.2 计划本体概述
8.1.3 计划本体的形式表示
8.1.4 时序关系的形式表示
8.1.5 基本的关系定义
8.1.6 行动连接关系定义
8.1.7 约束传播与满足的形式表示
8.2 分层计划的嵌套论据表示
8.2.1 计划的论据模式
8.2.2 行动‐子行动论据模式
8.2.3 基本行动论据模式
8.3 应用案例
8.3.1 反恐巡逻应用背景简介
8.3.2 反恐巡逻计划的表示
8.3.3 基于辩证推理的可行性论证过程
参考文献
第1章 绪论
1.1 决策理论与辩论理论
1.1.1 决策的基本概念
1.1.2 决策问题的复杂性
1.1.3 现代决策理论概述
1.1.4 不同决策模型的比较分析
1.1.5 基于辩论理论的决策分析方法
1.2 辩论理论的起源与发展现状
1.2.1 辩论的理论基础
1.2.2 可废止推理与辩论
1.2.3 辩论框架
1.2.4 辩证证明理论
1.2.5 多 Agent辩论系统
1.2.6 计算辩论的应用
1.3 基于辩论理论的决策模型
1.3.1 早期的辩论决策模型
1.3.2 抽象辩论框架
1.3.3 基于价值的辩论框架
1.3.4 基于偏好的辩论框架
1.3.5 双极的辩论框架
1.3.6 Domino决策模型
1.3.7 基于辩论理论的决策辅助模型
1.4 辩论决策的未来发展前景
第2章 论据的计算模型
2.1 论据的基础知识
2.1.1 论据的基本概念
2.1.2 论据的分类
2.1.3 论据的结构
2.1.4 论据构建的策略
2.1.5 论据的规范
2.1.6 论据的评估
2.1.7 论据的攻击
2.1.8 论据的修正
2.2 基于演绎推理的论据模型
2.2.1 基于逻辑推导的论据表示
2.2.2 基于假设的论据模型
2.2.3 具有支持强度的论据模型
2.2.4 用于决策支持的论据逻辑模型
2.3 基于可废止推理的论据模型
2.3.1 可废止推理的基本定义
2.3.2 论据的定义
2.3.3 论据的比较
2.3.4 具有支持强度的可废止论据模型
2.4 基于归纳推理的论据模型
2.4.1 归纳推理的基本原理
2.4.2 基于类比学习的论据
2.4.3 基于归纳学习的论据
2.4.4 基于关联规则挖掘的论据
2.5 基于实用推理的论据模型
2.5.1 关于实用推理的研究
2.5.2 实用论据的基本定义
2.5.3 基于 BDI的实用论据模式
2.6 基于图示的论据模型
2.6.1 Wigmore模型
2.6.2 Toulmin论据模型
2.6.3 IBIS论据模型
2.6.4 推理图
第3章 论据的辩证推理
3.1 辩证推理的形式语义
3.1.1 抽象辩论框架的扩展语义
3.1.2 论据的标记方法与标记语义
3.1.3 辩论形式语义的性质
3.1.4 形式语义的发展现状与趋势
3.2 基于标记的辩证推理算法
3.2.1 基础语义的辩证证明
3.2.2 首选语义的辩证证明
3.3 论据博弈与辩证语义
3.3.1 对话过程与辩证语义
3.3.2 面向立场的论据博弈对话
3.3.3 有用论据对话类型
3.3.4 理性扩展对话类型
3.3.5 双方立即响应争论
3.4 基于论据博弈的辩证推理算法
3.4.1 论据博弈过程与争论树
3.4.2 不同语义辩证证明的一般框架
3.4.3 基础语义的论据博弈算法
3.4.4 轻信首选语义的论据博弈算法
3.4.5 怀疑首选语义的论据博弈算法
3.5 基于假设的辩证推理
3.5.1 基于假设辩论框架的可容许性
3.5.2 紧论据
3.5.3 抽象争论树
3.5.4 具体争论树
3.5.5 争论推导算法
第4章 多方论据博弈的辩证分析模型
4.1 多方论据博弈的研究意义
4.2 相关研究工作
4.3 理性辩论空间
4.3.1 辩论空间的基本定义
4.3.2 Master‐Challenger论据博弈对话
4.3.3 多方论据博弈对话
4.4 理性辩论空间的性质
4.4.1 Master‐Challenger双方论据博弈对话的性质
4.4.2 多方论据博弈对话的性质
4.5 理性辩论空间的辩证分析实现算法
4.6 理性辩论空间的应用案例
4.6.1 与抽象辩论框架不同语义的比较
4.6.2 不同信念参与者之间的辩论决策
4.6.3 一个多源信息集成的应用示例
第5章 论据本体及其计算实现
5.1 论据本体及其表示
5.1.1 论据本体的表示语言
5.1.2 论据交换格式本体 AIF
5.1.3 用于自动辩论的论据本体 ArgArena
5.2 ArgArena本体的理论基础
5.2.1 论据及其相关概念的定义
5.2.2 论据的分类
5.2.3 论据的性质
5.2.4 论据的脆弱点
5.3 ArgArena本体的建模
5.3.1 ArgArena的领域本体
5.3.2 ArgArena的信念本体
5.3.3 ArgArena的论据本体
5.4 论据的计算实现
5.4.1 论据的构建概述
5.4.2 论据的构造方法
5.4.3 论据构建算法
5.5 攻击论据的计算实现
5.5.1 攻击关系的基本定义
5.5.2 攻击论据的构建过程
5.5.3 基于信念本体的冲突信念发现
5.5.4 定位最小不一致断言集
5.5.5 攻击论据构建算法
5.6 基于 ArgArena的论据生成引擎
5.6.1 Prolog语言推理机和 OWL推理机的集成
5.6.2 攻击论据的查询与构建算法
5.6.3 应用实例
第6章 基于归纳逻辑的多方辩论决策方法
6.1 大数据时代的知识发现技术概述
6.1.1 大数据挖掘面临的问题
6.1.2 多 Agent数据挖掘技术
6.1.3 多 Agent辩论与机器学习
6.1.4 多方论据博弈模型与大数据挖掘
6.2 归纳论据的一般模型
6.2.1 归纳论据的共同性质
6.2.2 合情论据模式
6.2.3 归纳论据的计算表示
6.3 基于关联规则挖掘的归纳论据构建方法
6.3.1 关联规则挖掘的基本原理
6.3.2 扩展的数据挖掘算法
6.3.3 基于关联规则的归纳论据生成
6.4 基于多方论据博弈的经验论据模式萃取
6.4.1 Arena的系统结构与控制机制
6.4.2 辩论参与者 Agent
6.4.3 Arena多方对话协议
6.4.4 Arena的多方论据博弈过程
6.4.5 简单经验论据模式的归纳学习实验
6.4.6 复杂经验论据模式的归纳学习实验
6.5 多 Agent基于辩论的联合学习
6.5.1 知识螺旋模型
6.5.2 多 Agent联合学习模型 MALA
6.5.3 多 Agent联合学习实验
6.6 相关的研究工作
6.6.1 集成学习
6.6.2 从经验中辩论的 PISA框架
6.6.3 多 Agent基于辩论的归纳学习
第7章 基于辩证推理的缜密决策分析方法
7.1 批判性思维与缜密决策问题
7.1.1 批判性思维与合情论据
7.1.2 缜密决策问题
7.1.3 基于批判性思维的缜密决策
7.2 缜密决策分析方法
7.3 面向决策的一般论据模式及其计算实现
7.3.1 基于实用推理的基本论据模式
7.3.2 基于价值辩论框架的决策支持模型
7.3.3 基于价值辩论框架的一种计算实现方法
7.3.4 实验结果分析
7.4 缜密决策认知模型及其计算实现
7.4.1 智能 Agent的缜密决策认知模型
7.4.2 论据模式及其批评问题
7.4.3 论据模式的计算表示
7.4.4 批评问题的分类及其计算实现
7.4.5 合情论据模式的集成与重构
7.5 应用案例
7.5.1 血液净化应用背景简介
7.5.2 Smart doctor医疗辅助决策系统
7.5.3 血液净化医疗知识的形式表示
7.5.4 多 Agent协同的辩证分析决策模型
7.5.5 一个血液净化的决策案例
7.5.6 原型系统实验
7.6 相关研究工作
第8章 面向行动序列的决策分析方法
8.1 基于本体的计划表示
8.1.1 常用的计划表示方法
8.1.2 计划本体概述
8.1.3 计划本体的形式表示
8.1.4 时序关系的形式表示
8.1.5 基本的关系定义
8.1.6 行动连接关系定义
8.1.7 约束传播与满足的形式表示
8.2 分层计划的嵌套论据表示
8.2.1 计划的论据模式
8.2.2 行动‐子行动论据模式
8.2.3 基本行动论据模式
8.3 应用案例
8.3.1 反恐巡逻应用背景简介
8.3.2 反恐巡逻计划的表示
8.3.3 基于辩证推理的可行性论证过程
参考文献
媒体评论
??
在线试读
第1章 绪 论
“The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made
to simulate it．”
Fromthe invitation to the Dart mouth 1956 conference which some
see as the beginnings of AI．
本书主要研究计算辩论以及基于辩论的智能决策技术。
１．１ 决策理论与辩论理论
由于现代组织的变化日益加快，呈现出动荡（turbulence）、不确定、非连续性等特征（Malhotra，２０００），组织中知识的增长具有非单调性，这使得当前的决策环境要比以往任何时候都要复杂。一方面需要决策者能够洞察组织的变化，根据环境变化不断地再评估以往的经验和知识，并预测可能的突发事件，考虑行为可能的风险，以及根据环境变化评估行为可能产生的深远影响。另一方面，由于信息技术的发展和普及，现代组织中可访问到的信息量正在呈指数级增长（Kuzma，２００５），对于动态不确定的组织环境而言，这些动态变化的海量信息可能是不完整的、不一致的或不确定的。如何在计算技术的支持下，将信息优势转化为决策优势是当前很多组织面临的困难问题。
1．1．1 决策的基本概念
决策从广义上可视为一个发现决策问题、分析和解决决策问题的过程，这里的决策问题包含决策主体、决策的价值与目标、决策环境、可能的候选方案、决策后果等多项内容。决策过程是决策者依据其价值观和决策目标，在其所处的决策环境和客观条件下，基于相关的信息和以往的经验，对决策影响因素进行分析、评价，制定行动候选方案，并能够通过各候选方案的评估和比较，从中选择出一个最符合决策者价值偏好的行动方案的过程。
决策分析是为解决复杂决策问题而提供的系统分析方法和理论。当前已出
现多种决策分析框架和形式系统（Dastani et al．，２００５）。Keeney等（１９８２）认为：决策可看做关于行为推理的一种形式，决策分析能够在不同级进行定义。决策分析在技术层面的定义是“通过一组明确表达的逻辑公理，基于这些逻辑公理的一个方法和系统的一组过程能明确地分析决策问题内在的复杂性”。
经典决策分析方法的理论基础是由von Neumann等（１９４４）、Savage（１９５４）和Pratt（１９６４）表述的一组公理来确定的。这些公理提供了分析决策问题的前提，表明候选方案有吸引力依赖于如下因素：①每一候选方案出现各种后果的可能性；②针对这些后果决策者的偏好。公理的哲学含义是所有的决策需要主观的判断，同时，各种后果的可能性和它们的必需性应当分别使用概率和效用进行评价。公理的技术含义是概率和效用能够用于计算每一个候选方案的期望效用，具有更高期望效用的候选方案是决策者所偏爱的。决策分析公理的实用含义是提供了一个正确的计算基础，为分析候选方案提供了一种通用的方法。综上所述，这些理论基础使得大型复杂的决策问题可以一种可解释的方式进行系统分析。
经典的决策理论（Jeffrey，１９６５；Savage，１９５４）主要基于经济学原理，是目前广泛使用的一类决策方法。这些方法将决策问题建模为关于候选行为方案集合中的一个选择，通过最大化期望效用实现理性选择。对于多目标或多属性决策问题，一般通过在属性权重归一化后的量化属性评价值的基础上，来比较不同方案的效用以实现理性决策。
人工智能和 Agent理论则主要通过非经典逻辑推理或实用推理途径来实现
关于行为的决策。典型的方法包括定性决策理论（Boutilier，１９９４；Pearl，１９９３）、基于知识的系统方法和信念‐愿望‐意图模型（Rao et al．，１９９５）等。定性决策理论在概念框架方面类似于经典决策理论，但增加了针对不确定环境或动态变化环境的处理机制和难以量化的决策要素的知识表示；基于知识的系统方法主要采用各种不同的知识表示方法通过非经典逻辑推理实现不确定条件下的决策；信念‐愿望‐意图模型是针对处于动态变化环境中的智能 Agent的一种决策模型，强调使用认知概念框架建模决策过程，通过实用推理实现理性决策。
上述两类决策理论在概念体系上存在较大差别，为本书论述方便，下面对主要概念进行简要说明。
决策分析的基本要素包括如下几个方面。
（１）决策目标（objective）。决策目标是决策者追求的理想状态，它反映决策者对行动方案的需求。
（２）评价准则（criteria）。评价准则是衡量、判断事物价值的标准，它度量决策方案对决策主体的可用性（durability），是评价的基础。能数量化的准则通常称为指标（goal）。例如，“利润最大化”是目标，而“获利１０００万元”是指标。
（３）属性（attributes）。属性用于表征行动方案固有的特征、品质或性能。属性是有关目标的具体评价准则。属性提供了评价决策者愿望满足程度的不同视角，每一个行动方案都可以用一系列属性来描述其不同方面的价值。
（４）偏好（preference）。偏好定义为决策者对评价目标的属性的偏爱程度，可通过数值表示，也可通过偏好关系来表示，例如，偏好关系可以是定义在属性集合｛c１，c２，…，c n｝上的二元关系，表示决策者对某一属性 ci比另一属性c j更看重。
（５）决策方案（option）。决策方案是决策的对象，定义为一个行动方案，表示了决策者可实现其目标的意图之一。
（６）候选方案（alternatives）。针对决策目标可能存在多个决策方案，必须从中选一个最适合决策主体偏好的，这些供选择的决策方案称为候选方案。
（７）候选方案的后果（consequence）。由于决策问题的复杂性，每一候选方案的实施，可能产生的后果存在不确定性，这些可能产生的后果需要逐一分析，以便评价方案的可用性。
（８）候选方案出现各种后果的可能性（likelihood）。通常用概率来刻画行动方案实施后发生各种后果的可能性。
1．1．2 决策问题的复杂性
决策分析是通过逻辑、系统的分析手段，基于问题域的客观数据和决策者的价值观，明确表示候选方案的价值的判断。其目的是辅助决策者更好地决策，提升决策者的洞察力和创新能力。
决策问题的复杂性，需要决策分析方法能够系统地分析决策问题复杂性的各方面，Keeney等（１９８２）曾概括了决策问题复杂的主要因素。
（１）多目标性（multiple objectives）。需要同时获得多个目标，例如，在评估所提出的城市规划方案中，需要同时考虑最小化环境影响，最小化健康和安全风险，最大化经济效益，最大化正向的社会影响，受益所有的利益群体等。由于所有的这些目标不可能是一个单一的候选方案完全具备，评价所有候选方案在每一个指标的获取程度是非常重要的。
（２）难以识别出好的候选方案（difficulty of identifying good alternatives）。对于复杂的决策问题，一般存在着许多因素影响一个候选方案的可用性，通过详细分析产生好的决策方案往往并非易事，需要一些创新的评估手段。在很多决策分析问题中，都涉及大量地搜索和分析各种决策信息以发现一个可能的候选方案，而且分析这些候选方案对完成决策目标的合理程度则需要更复杂的分析与评价。
（３）难处理性（intangibles）。并非所有的影响因素都是易于表示和评估的，例如，怎样评估一个客户的信誉（goodwill）、团队的斗志、增加官僚主义和规章制度引起的沮丧等。尽管这些因素难以测度和处理，但它们常常在决策中起着关键的作用。
（４）长远性（long‐ ime horizons）。许多决策的后果不是立即可以察觉到的，常常需要很长的时间才能显现出来。在行动实施之前分析候选行动方案可能对未来产生的影响是决策过程的难点之一。
（５）多影响群体（many impacted groups）。许多决策常常会影响到态度和价值观存在巨大差异的不同群体。由于这些差异，问题的复杂性在于如何同等地照顾到不同群体的利益。
（６）风险和不确定性（risk and uncertainty）。几乎对所有的决策问题，都不可能精确预测候选方案的后果，对未来的预测存在风险和不确定性。这些不确定性存在的主要原因包括：①有些事件难以收集到数据；②有些数据的获得极其困难和耗时，如地震、洪水等自然现象带来的影响；③优先考虑的事情随时间发生变化带来的影响；④其他有影响群体的行动带来的影响。
（７）生命危险（risks to life and limb）。一类关键的不确定性是有关生命危险的不确定性。很多个人或组织的决策都涉及事故导致死亡事故或发病的可能。在分析中考虑到这些可怕后果不是一件容易的事，但它却是许多决策问题必须要缜密思考的。
（８）多学科性（interdisciplinary substance）。大型跨国公司的总裁也不可能在国际法规、纳税、市场、产品等各个方面样样精通。在复杂决策中让不同学科的专业人员参与其中是十分重要的。
（９）多个决策者。有些决策问题涉及多个决策者联合决策。
（１０）价值权衡（value tradeoffs）。重要的决策可能涉及一些关键的价值权衡，例如，对当今环境影响与环境治理后带来的相对可用性、当前的社会花费与未来的社会收益、对小群体的负面影响与对大群体更小的正面影响、人的生命价值与危险技术产生的收益等方面的价值权衡。
（１１）风险的态度（risk attitude）。纵使各种后果的可能性是已知的，对于风险的评估也并非易事，必须考虑伴随每一个候选方案的可能风险的适当性（appro‐priateness）和可接受性。
（１２）决策的序贯性（sequential nature of decisions）。极少有决策是与其他决策完全没有关系的。今天的决策既影响了其他方案的可用性也影响了未来可能的方案选择。
对于当前组织环境而言，大型复杂决策问题实现系统的决策分析的困境在于如下几个方面。
（１）多目标指标体系难以全面构建。对于许多复杂决策问题而言，目标常常是模糊的和抽象的，在分析初期很难完整标识出明确、具体的指标。
（２）难以生成完备的候选方案。用于提出候选方案的知识常常是不完备的，甚至缺乏相应的解决问题的知识，难以判断是否产生了所有的候选方案。
（３）以往的决策模型或经验知识是否能正确应用于当前环境需要再评估。例如，大型水电站的建设决策问题，随着科学技术的发展，人们的环境保护意识在增强，对大型水电站可能产生的后果有了新的认识，因此，以往的决策模型并不能直接用于新的环境，决策知识需要不断更新。
（４）信息技术和商务全球化致使信息环境更为丰富，同时决策分析必须面对可能存在的信息冲突和不一致。
（５）利益群体的多样性以及偏好的难以表达性。新的通信和网络技术的发展使人们有更多的途径平等表达自己的观点，决策者可收集到更多的利益相关群体的观点和意见，如何将这些观点、意见，以及相信的价值观和风险态度集成到决策分析中是传统决策分析方法难以企及的。
（６）未来的不可预测性使许多方案评估更为困难。动态变化的环境使得未来可能产生的后果无法准确估量则使得传统分析方法难以用于解决动态复杂的决策问题。
（７）决策环境的复杂性迫使决策者必须向行为的相关人员解释其决策的理由。例如，在医疗决策中，由于现代医学技术的发展，使药物、医疗器械、治疗方法和技术等的变化日新月异，而信息技术的普及使医生和患者都拥有更为丰富的信息环境，然而，医患关系却日趋紧张，医生的决策面临更大的压力，迫切需要慎重决策，减少医疗事故发生的概率，同时让患者理解其决策的理由，增进相互的信任。
虽然基于知识的技术、数据仓库、联机分析、数据开采等决策支持技术的发展，为决策分析提供了大量新的逻辑或系统分析手段，提高了决策的水平，拓广了科学决策的范畴，
“The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made
to simulate it．”
Fromthe invitation to the Dart mouth 1956 conference which some
see as the beginnings of AI．
本书主要研究计算辩论以及基于辩论的智能决策技术。
１．１ 决策理论与辩论理论
由于现代组织的变化日益加快，呈现出动荡（turbulence）、不确定、非连续性等特征（Malhotra，２０００），组织中知识的增长具有非单调性，这使得当前的决策环境要比以往任何时候都要复杂。一方面需要决策者能够洞察组织的变化，根据环境变化不断地再评估以往的经验和知识，并预测可能的突发事件，考虑行为可能的风险，以及根据环境变化评估行为可能产生的深远影响。另一方面，由于信息技术的发展和普及，现代组织中可访问到的信息量正在呈指数级增长（Kuzma，２００５），对于动态不确定的组织环境而言，这些动态变化的海量信息可能是不完整的、不一致的或不确定的。如何在计算技术的支持下，将信息优势转化为决策优势是当前很多组织面临的困难问题。
1．1．1 决策的基本概念
决策从广义上可视为一个发现决策问题、分析和解决决策问题的过程，这里的决策问题包含决策主体、决策的价值与目标、决策环境、可能的候选方案、决策后果等多项内容。决策过程是决策者依据其价值观和决策目标，在其所处的决策环境和客观条件下，基于相关的信息和以往的经验，对决策影响因素进行分析、评价，制定行动候选方案，并能够通过各候选方案的评估和比较，从中选择出一个最符合决策者价值偏好的行动方案的过程。
决策分析是为解决复杂决策问题而提供的系统分析方法和理论。当前已出
现多种决策分析框架和形式系统（Dastani et al．，２００５）。Keeney等（１９８２）认为：决策可看做关于行为推理的一种形式，决策分析能够在不同级进行定义。决策分析在技术层面的定义是“通过一组明确表达的逻辑公理，基于这些逻辑公理的一个方法和系统的一组过程能明确地分析决策问题内在的复杂性”。
经典决策分析方法的理论基础是由von Neumann等（１９４４）、Savage（１９５４）和Pratt（１９６４）表述的一组公理来确定的。这些公理提供了分析决策问题的前提，表明候选方案有吸引力依赖于如下因素：①每一候选方案出现各种后果的可能性；②针对这些后果决策者的偏好。公理的哲学含义是所有的决策需要主观的判断，同时，各种后果的可能性和它们的必需性应当分别使用概率和效用进行评价。公理的技术含义是概率和效用能够用于计算每一个候选方案的期望效用，具有更高期望效用的候选方案是决策者所偏爱的。决策分析公理的实用含义是提供了一个正确的计算基础，为分析候选方案提供了一种通用的方法。综上所述，这些理论基础使得大型复杂的决策问题可以一种可解释的方式进行系统分析。
经典的决策理论（Jeffrey，１９６５；Savage，１９５４）主要基于经济学原理，是目前广泛使用的一类决策方法。这些方法将决策问题建模为关于候选行为方案集合中的一个选择，通过最大化期望效用实现理性选择。对于多目标或多属性决策问题，一般通过在属性权重归一化后的量化属性评价值的基础上，来比较不同方案的效用以实现理性决策。
人工智能和 Agent理论则主要通过非经典逻辑推理或实用推理途径来实现
关于行为的决策。典型的方法包括定性决策理论（Boutilier，１９９４；Pearl，１９９３）、基于知识的系统方法和信念‐愿望‐意图模型（Rao et al．，１９９５）等。定性决策理论在概念框架方面类似于经典决策理论，但增加了针对不确定环境或动态变化环境的处理机制和难以量化的决策要素的知识表示；基于知识的系统方法主要采用各种不同的知识表示方法通过非经典逻辑推理实现不确定条件下的决策；信念‐愿望‐意图模型是针对处于动态变化环境中的智能 Agent的一种决策模型，强调使用认知概念框架建模决策过程，通过实用推理实现理性决策。
上述两类决策理论在概念体系上存在较大差别，为本书论述方便，下面对主要概念进行简要说明。
决策分析的基本要素包括如下几个方面。
（１）决策目标（objective）。决策目标是决策者追求的理想状态，它反映决策者对行动方案的需求。
（２）评价准则（criteria）。评价准则是衡量、判断事物价值的标准，它度量决策方案对决策主体的可用性（durability），是评价的基础。能数量化的准则通常称为指标（goal）。例如，“利润最大化”是目标，而“获利１０００万元”是指标。
（３）属性（attributes）。属性用于表征行动方案固有的特征、品质或性能。属性是有关目标的具体评价准则。属性提供了评价决策者愿望满足程度的不同视角，每一个行动方案都可以用一系列属性来描述其不同方面的价值。
（４）偏好（preference）。偏好定义为决策者对评价目标的属性的偏爱程度，可通过数值表示，也可通过偏好关系来表示，例如，偏好关系可以是定义在属性集合｛c１，c２，…，c n｝上的二元关系，表示决策者对某一属性 ci比另一属性c j更看重。
（５）决策方案（option）。决策方案是决策的对象，定义为一个行动方案，表示了决策者可实现其目标的意图之一。
（６）候选方案（alternatives）。针对决策目标可能存在多个决策方案，必须从中选一个最适合决策主体偏好的，这些供选择的决策方案称为候选方案。
（７）候选方案的后果（consequence）。由于决策问题的复杂性，每一候选方案的实施，可能产生的后果存在不确定性，这些可能产生的后果需要逐一分析，以便评价方案的可用性。
（８）候选方案出现各种后果的可能性（likelihood）。通常用概率来刻画行动方案实施后发生各种后果的可能性。
1．1．2 决策问题的复杂性
决策分析是通过逻辑、系统的分析手段，基于问题域的客观数据和决策者的价值观，明确表示候选方案的价值的判断。其目的是辅助决策者更好地决策，提升决策者的洞察力和创新能力。
决策问题的复杂性，需要决策分析方法能够系统地分析决策问题复杂性的各方面，Keeney等（１９８２）曾概括了决策问题复杂的主要因素。
（１）多目标性（multiple objectives）。需要同时获得多个目标，例如，在评估所提出的城市规划方案中，需要同时考虑最小化环境影响，最小化健康和安全风险，最大化经济效益，最大化正向的社会影响，受益所有的利益群体等。由于所有的这些目标不可能是一个单一的候选方案完全具备，评价所有候选方案在每一个指标的获取程度是非常重要的。
（２）难以识别出好的候选方案（difficulty of identifying good alternatives）。对于复杂的决策问题，一般存在着许多因素影响一个候选方案的可用性，通过详细分析产生好的决策方案往往并非易事，需要一些创新的评估手段。在很多决策分析问题中，都涉及大量地搜索和分析各种决策信息以发现一个可能的候选方案，而且分析这些候选方案对完成决策目标的合理程度则需要更复杂的分析与评价。
（３）难处理性（intangibles）。并非所有的影响因素都是易于表示和评估的，例如，怎样评估一个客户的信誉（goodwill）、团队的斗志、增加官僚主义和规章制度引起的沮丧等。尽管这些因素难以测度和处理，但它们常常在决策中起着关键的作用。
（４）长远性（long‐ ime horizons）。许多决策的后果不是立即可以察觉到的，常常需要很长的时间才能显现出来。在行动实施之前分析候选行动方案可能对未来产生的影响是决策过程的难点之一。
（５）多影响群体（many impacted groups）。许多决策常常会影响到态度和价值观存在巨大差异的不同群体。由于这些差异，问题的复杂性在于如何同等地照顾到不同群体的利益。
（６）风险和不确定性（risk and uncertainty）。几乎对所有的决策问题，都不可能精确预测候选方案的后果，对未来的预测存在风险和不确定性。这些不确定性存在的主要原因包括：①有些事件难以收集到数据；②有些数据的获得极其困难和耗时，如地震、洪水等自然现象带来的影响；③优先考虑的事情随时间发生变化带来的影响；④其他有影响群体的行动带来的影响。
（７）生命危险（risks to life and limb）。一类关键的不确定性是有关生命危险的不确定性。很多个人或组织的决策都涉及事故导致死亡事故或发病的可能。在分析中考虑到这些可怕后果不是一件容易的事，但它却是许多决策问题必须要缜密思考的。
（８）多学科性（interdisciplinary substance）。大型跨国公司的总裁也不可能在国际法规、纳税、市场、产品等各个方面样样精通。在复杂决策中让不同学科的专业人员参与其中是十分重要的。
（９）多个决策者。有些决策问题涉及多个决策者联合决策。
（１０）价值权衡（value tradeoffs）。重要的决策可能涉及一些关键的价值权衡，例如，对当今环境影响与环境治理后带来的相对可用性、当前的社会花费与未来的社会收益、对小群体的负面影响与对大群体更小的正面影响、人的生命价值与危险技术产生的收益等方面的价值权衡。
（１１）风险的态度（risk attitude）。纵使各种后果的可能性是已知的，对于风险的评估也并非易事，必须考虑伴随每一个候选方案的可能风险的适当性（appro‐priateness）和可接受性。
（１２）决策的序贯性（sequential nature of decisions）。极少有决策是与其他决策完全没有关系的。今天的决策既影响了其他方案的可用性也影响了未来可能的方案选择。
对于当前组织环境而言，大型复杂决策问题实现系统的决策分析的困境在于如下几个方面。
（１）多目标指标体系难以全面构建。对于许多复杂决策问题而言，目标常常是模糊的和抽象的，在分析初期很难完整标识出明确、具体的指标。
（２）难以生成完备的候选方案。用于提出候选方案的知识常常是不完备的，甚至缺乏相应的解决问题的知识，难以判断是否产生了所有的候选方案。
（３）以往的决策模型或经验知识是否能正确应用于当前环境需要再评估。例如，大型水电站的建设决策问题，随着科学技术的发展，人们的环境保护意识在增强，对大型水电站可能产生的后果有了新的认识，因此，以往的决策模型并不能直接用于新的环境，决策知识需要不断更新。
（４）信息技术和商务全球化致使信息环境更为丰富，同时决策分析必须面对可能存在的信息冲突和不一致。
（５）利益群体的多样性以及偏好的难以表达性。新的通信和网络技术的发展使人们有更多的途径平等表达自己的观点，决策者可收集到更多的利益相关群体的观点和意见，如何将这些观点、意见，以及相信的价值观和风险态度集成到决策分析中是传统决策分析方法难以企及的。
（６）未来的不可预测性使许多方案评估更为困难。动态变化的环境使得未来可能产生的后果无法准确估量则使得传统分析方法难以用于解决动态复杂的决策问题。
（７）决策环境的复杂性迫使决策者必须向行为的相关人员解释其决策的理由。例如，在医疗决策中，由于现代医学技术的发展，使药物、医疗器械、治疗方法和技术等的变化日新月异，而信息技术的普及使医生和患者都拥有更为丰富的信息环境，然而，医患关系却日趋紧张，医生的决策面临更大的压力，迫切需要慎重决策，减少医疗事故发生的概率，同时让患者理解其决策的理由，增进相互的信任。
虽然基于知识的技术、数据仓库、联机分析、数据开采等决策支持技术的发展，为决策分析提供了大量新的逻辑或系统分析手段，提高了决策的水平，拓广了科学决策的范畴，
评论
还没有评论。